Analisis Sentimen Polemik Kebijakan Pemerintah Makan Siang Gratis Pada Twitter Menggunakan Metode Neural Network Classification

Media sosial X (Twitter) menjadi salah satu platform yang digunakan masyarakat untuk menyampaikan opini terhadap berbagai isu publik, termasuk polemik kebijakan pemerintah mengenai program Makan Siang Gratis. Beragamnya tanggapan masyarakat berupa dukungan, kritik, maupun opini netral menyebabkan diperlukan pendekatan analisis sentimen untuk mengetahui kecenderungan persepsi publik terhadap kebijakan tersebut. Namun, permasalahan ketidakseimbangan distribusi kelas sentimen menjadi salah satu tantangan dalam proses klasifikasi karena dapat menyebabkan model cenderung mengenali kelas mayoritas. Penelitian ini bertujuan untuk menganalisis performa metode Neural Network Classification dalam mengklasifikasikan sentimen publik serta mengevaluasi pengaruh penerapan teknik Random Over Sampling (ROS) dalam meningkatkan kinerja model. Data penelitian diperoleh dari platform X (Twitter) sebanyak 1.500 tweet menggunakan hashtag terkait program Makan Siang Gratis dan dikategorikan ke dalam tiga kelas sentimen, yaitu positif, netral, dan negatif. Tahapan penelitian meliputi preprocessing data teks, pembobotan fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), klasifikasi menggunakan Neural Network Classification, serta penanganan ketidakseimbangan data menggunakan Random Over Sampling. Evaluasi model dilakukan menggunakan metode K-Fold Cross Validation dengan variasi nilai K=2, 3, 4, 5, 6, dan 10 serta menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model Neural Network tanpa penanganan imbalance memperoleh accuracy 68,47%, precision 67,36%, recall 64,02%, dan F1-score 64,85%. Setelah diterapkan Random Over Sampling, performa model mengalami peningkatan dengan hasil terbaik pada K=5 yang memperoleh accuracy sebesar 72,40%, precision 70,37%, recall 69,14%, dan F1-score 69,46%. Berdasarkan hasil penelitian, penerapan Random Over Sampling mampu meningkatkan kemampuan model dalam mengenali pola sentimen, terutama pada kelas minoritas, sehingga menghasilkan klasifikasi sentimen yang lebih seimbang terhadap opini masyarakat mengenai kebijakan Makan Siang Gratis.